现实中在不同领域内都存在着大量的异步事件序列数据,而时序点过程是一种有效建模事件序列的数学工具。目前的研究大都是通过建模强度函数来刻画时序点过程,但这种方式需要考虑具体强度函数的参数形式,只能准确描述特定领域下的时序点过程,限制了模型对实际数据的泛化能力;另外,由于深度学习方法在时序点过程中的应用,使得深度时序点过程方法探索实际数据的潜在规律成为可能,但是目前深度时序点过程大多使用循环神经网络对强度函数建模,这种方法限制了模型对真实数据的表达能力,并且在点过程生成或事件预测的许多任务中,强度函数的信息并不是必要的,并且基于循环神经网络的点过程生成研究不能捕捉到事件序列之间的长程依赖,会导致产生不稳定的预测表现。为解决这些问题,本文提出了一种利用多头自注意力机制的点过程生成模型（self-attention WGAN for Temporal Point Process,简称SGT）,该模型可以捕捉到事件序列之间的长程依赖关系,可以提高模型的计算效率,并且由于自注意力矩阵描述了历史事件对当前事件的影响程度,使得SGT模型比基于循环神经网络的点过程生成模型更具可解释性。在点过程仿真数据和真实数据的实验中表明,自注意力机制的点过程生成模型比基于循环神经网络的生成模型具有更优的表现。创新点和研究内容具体如下:一、本文提出了一种无强度的时序点过程生成模型,同时也是一种无似然估计的时序点过程学习方法。无强度函数使得模型更具泛化能力;无似然估计使得模型得以减少参数迭代,提高模型计算效率。二、本文将自注意力机制扩展到异步事件序列和点过程生成模式的研究上,并结合Wasserstein距离优化了时序点过程的深度学习方法。该模型使用Wasserstein距离构建损失函数,便于衡量模型分布与真实分布之间的偏差,利用自注意力机制描述历史事件对当前事件的影响程度,使得模型具有可解释性且泛化能力更强。三、本文所提模型拥有可拓展性,在3个仿真数据集和2个真实数据集上的对比实验表明,在缺失强度函数先验信息的情况下,该方法比循环神经网络类的生成模型和极大似然模型在QQ图斜率的偏差和经验强度偏差这两个指标总体上分别减少35.125%和24.200%,证实了所提模型的有效性。